Klassische Zeitreihenprognosen (2008)

Diese Seite enthält häufig gestellte Fragen (FAQ) zu unserer klassischen Prognosetechnologie. In der Praxis werden klassische Prognosen jedoch bei weitem von probabilistischen Prognosen übertroffen. Schauen Sie sich unsere neuesten Technologie-Seiten für weitere Informationen an.

Grundlagen

Welche Prognosemodelle verwenden Sie?

Die Beantwortung dieser Frage ist aus zwei Gründen schwierig: Erstens handelt es sich bei unserer Prognosetechnologie um ein geistiges Eigentum (IP), das wir nicht im Detail offenlegen möchten, und zweitens ist unsere Technologie komplex und umfasst viele Modelle. Dennoch nutzt Lokad eine bekannte Theorie namens statistische Lerntheorie. Diese Theorie umfasst die meisten modernen Prognosemethoden wie Support Vector Regression, Bayesian Networks, Mischungs- oder Boosting-Methoden sowie Metaheuristiken wie neuronale Netzwerke oder genetische Algorithmen… Wir vernachlässigen jedoch auch nicht die guten alten Klassiker: lineare Autoregression, gleitender Durchschnitt, (doppelte, dreifache) exponentielle Glättung, Box-Jenkins, Holt-Winters, ARMA, ARIMA. Diese Klassiker sind jedoch in der Regel sehr schwach, wenn es darum geht, Korrelationen zwischen Zeitreihen zu nutzen.

Wie genau sind Ihre Prognosen?

Die Genauigkeit von Prognosen hängt stark von den spezifischen Daten ab, die betrachtet werden. Wir haben Situationen erlebt, in denen ein Fehler von 0,5% als schlecht angesehen wurde (z. B. stündliche Prognosen des landesweiten Stromverbrauchs 24 Stunden im Voraus) und andere Situationen, in denen ein Fehler von 80% als ausgezeichnet angesehen wurde (z. B. eine einmalige Werbeaktion während einer Produktneueinführung). Die Genauigkeit hängt stark von dem Prognosehorizont ab - je weiter die Prognosen in der Zukunft liegen, desto ungenauer sind sie -, aber die Genauigkeit hängt auch stark von der Aggregationsebene ab - je stärker die Prognosen aggregiert sind, desto genauer sind sie.

Prognosewettbewerbe, haben Sie eine akademische Validierung Ihrer Technologie?

Es gibt viele Data-Mining-Wettbewerbe, die jedes Jahr stattfinden. Bei Lokad behalten wir in der Regel ein Auge auf diese Veranstaltungen und benchmarken routinemäßig unsere Prognosetechnologie anhand dieser Wettbewerbsdatensätze, wenn die Daten für Lokad relevant sind (wir verarbeiten nur Zeitreihen, keine Bilder oder Kundendatenprofile zum Beispiel). Bisher haben wir jedoch noch keinen öffentlichen Data-Mining-Wettbewerb beobachtet, von dem wir glauben, dass er die Herausforderungen widerspiegelt, mit denen wir täglich konfrontiert sind. Erstens neigen akademische Datensätze dazu, klein zu sein - weniger als einige Hundert Zeitreihen - mit langen Zeitreihen - Hunderte von Datenpunkten pro Zeitreihe. Dies ist nahezu das Gegenteil von dem, was wir typischerweise im Einzelhandel beobachten: Tausende, wenn nicht Millionen von Zeitreihen, aber sehr kurze Serien, weil Produkte eine kurze Lebensdauer haben. Dennoch schneidet Lokad in der Regel gut bei diesen Wettbewerben ab, und sehr gut, wenn man bedenkt, dass bei Lokad die Ergebnisse sofort und ohne Fachkenntnisse erzielt werden.

Bewerten Sie die Genauigkeit Ihrer Prognosen?

Ja, das tun wir. Präzise quantitative Messungen der mit unserer Prognosetechnologie erzielten Prognosegenauigkeit machen etwa die Hälfte unserer Kerntechnologie aus. Ohne zu sehr ins Detail zu gehen, kann man sagen, dass dies eine große Herausforderung ist, nicht nur Modelle zu erstellen, die tatsächlich zu Ihren Daten passen, sondern auch Modelle, die auf Daten gut funktionieren, die Sie noch nicht haben, d. h. zukünftige Daten. Siehe auch Overfitting: Wenn die Genauigkeitsmessung schief geht. Die typische tägliche Aufgabe des Lokad R&D-Teams besteht darin, unseren Prognosemotor immer wieder über Kundendatensätze laufen zu lassen, Prognosefehler zu messen und zu reduzieren. Ein bemerkenswerter Aspekt unserer Technologie ist, dass Sie nicht nur Prognosen erhalten, sondern auch für jeden prognostizierten Wert die erwartete Genauigkeit dieses Werts, ausgedrückt als MAPE-Fehler. Sie müssen also nicht warten, um festzustellen, dass eine Prognose wenig zuverlässig war. Lokad gibt Ihnen die Informationen im Voraus, damit Sie Ihre Strategie entsprechend anpassen können.

Wie viel historische Daten werden benötigt?

Es gibt keine Mindestanforderung an die Menge der historischen Daten. Lokad liefert jedoch eine statistische Technologie, daher sind die Prognosen umso genauer, je mehr historische Daten vorhanden sind. In der Praxis gelten 2 Jahre historische Daten als gut und 3 Jahre oder mehr als ausgezeichnet. Wenn Sie weniger als 1 Jahr historische Daten haben, kann Lokad die Prognosen nicht durch Saisonalität verfeinern, was ein wichtiges Muster für viele Unternehmen ist. Um die Saisonalität zu nutzen, benötigt Lokad auch nicht mehr als 1 Jahr für jede einzelne Zeitreihe (d.h. Produktverkäufe). Es reicht aus, ein paar Zeitreihen mit mehr als 1 Jahr Geschichte zu haben, um die vorhandenen Saisonalitätsprofile in Ihrem Unternehmen zu etablieren. Für Startups und aufstrebende Unternehmen kann Lokad von Anfang an verwendet werden. Wir liefern nicht nur Prognosen, sondern auch die erwartete Prognosegenauigkeit. Daher weisen die ersten Prognosen in der Regel sehr hohe Fehlerwerte auf und verbessern sich im Laufe der Zeit allmählich. Lokad bietet Ihnen auch eine Möglichkeit, die Unsicherheit zu quantifizieren.

Allgemeine Muster

Wir glauben, dass es zwei typische Missverständnisse über Makro-Trends gibt. Erstens können Makro-Trends nur zur Verfeinerung der Nachfrageprognosen genutzt werden, wenn diese Makro-Trends selbst genau prognostiziert werden können. Wenn Banken die Finanzkrise hätten vorhersagen können, hätte es die Krise erst gar nicht gegeben. Die Prognose von Makro-Trends ist in der Regel viel schwieriger als die Prognose der Nachfrage nach Ihrem durchschnittlichen Produkt, daher ist es häufig eine eher unlösbare Option. Zweitens wird eine Rezession von -3% / Jahr als großer Makro-Trend betrachtet, aber in der Praxis bedeutet dies eine Auswirkung von -0,06% auf wöchentlicher Ebene. Im Vergleich dazu beobachten wir regelmäßig Produktverkäufe, die von einer Woche zur nächsten um 20% variieren. Lokad eignet sich am besten für kurzfristige Prognosen und wenn man einige Wochen vorausschaut, werden Makro-Trends in der Regel von mikroökonomischen Faktoren wie Promotionen, Kannibalisierung, Werbekampagnen usw. überlagert. Zusammenfassend lässt Lokad in der Regel die meisten Makro-Trends außer Acht, aber unserer Erfahrung nach ist dies in 99% der Fälle die einzige vernünftige Option.

Saisonalität, Trend, wie werden sie behandelt?

Wir erkennen automatisch kalenderbasierte Muster. Sie müssen Lokad nicht mitteilen, dass ein Produkt saisonal ist, Saisonalität ist ein häufiges Muster, das von unserer Prognosetechnologie nativ behandelt wird. Tatsächlich ist Saisonalität viel komplexer als von den meisten Menschen erwartet. Aus unserer Sicht gibt es nicht nur eine Saisonalität, sondern viele zyklische Muster, die auf vielfältige Weise interagieren. Es gibt die jährliche Saisonalität, den Wochentagseffekt, den Gehaltseingangseffekt auf monatlicher Ebene, die quasi-jährliche Saisonalität wie den Muttertag, der in den USA am 2. Sonntag im Mai gefeiert wird, … Darüber hinaus werden beim Betrachten von Verkaufsprognosen auf der Point-of-Sale-Ebene zyklische Muster der Produkte mit zyklischen Mustern des Point of Sale selbst kombiniert. Jeder Point of Sale hat eine mehr oder weniger einzigartige Umgebung, die ihre eigenen Nachfragemuster erzeugt. Saisonalität bedeutet also nicht nur, eine YES/NO-Flagge anzugeben, sondern es handelt sich um eine ziemlich komplexe Reihe von voneinander abhängigen Mustern. Die gute Nachricht ist, dass Lokad diese Komplexität für Sie verwaltet.

Ostern, Ramadan, Muttertag und andere quasi-saisonale Ereignisse?

Einige Kalendermuster sind in Lokads Jargon quasi-saisonal: Muster wiederholen sich von Jahr zu Jahr, sind aber nicht streng jährlich im Sinne des gregorianischen Kalenders (auch bekannt als westlicher oder christlicher Kalender). Ostern, Ramadan, chinesisches Neujahr, Muttertag sind Beispiele für quasi-saisonale Muster. Lokad erkennt quasi-saisonale Muster automatisch, sodass Sie keine speziellen Anstrengungen unternehmen müssen, um diese Muster zu behandeln. Dann, ähnlich wie bei der klassischen Saisonalität, stützt sich Lokad hauptsächlich auf die Analyse mehrerer Zeitreihen, um Zeitreihen zu erkennen, die ähnliche quasi-saisonale Muster aufweisen, um das Muster zu verfeinern.

Produktlebenszyklen und Produktstarts, wie werden sie behandelt?

Die meisten Konsumgüter durchlaufen einen Lebenszyklus. Produkte werden eingeführt, wachsen, verkümmern und werden schließlich vom Markt genommen. Lokad kann den Absatz bei der Markteinführung prognostizieren, vorausgesetzt, das Einführungsdatum ist bekannt. Natürlich gibt es für dieses spezielle Produkt keine Absatzdaten, die die Prognose unterstützen. Doch im Gegensatz zu klassischen Prognosewerkzeugen geht es bei Lokad nicht nur um klassische Zeitreihenprognosen. Produkte können insbesondere durch Tags beschrieben werden. Ein Tag kann jede Eigenschaft des Produkts repräsentieren: Kategorie, Unterkategorie, Familie, Marke, Farbe, Größe, … Um den Absatz eines Produkts bei der Markteinführung zu prognostizieren, analysiert Lokad historische Markteinführungen ähnlicher Produkte, und Ähnlichkeiten werden anhand der für jedes Produkt bereitgestellten Tags bewertet. Wir wenden das gleiche Prinzip auch auf andere Lebenszyklusmuster an.

Intermittierende / geringe Mengen an Produkten, wie werden sie behandelt?

Wenn Sie ein Produkt haben, das einmal im Jahr verkauft wird, gibt es statistisch gesehen wenig, was in Bezug auf die Prognose getan werden kann. In der Praxis handelt es sich eher um eine Marketingentscheidung, ob 1 Einheit im Geschäft vorhanden ist oder nicht. Zwischen diesem extrem langsamen Fall und Ihren Bestsellern gibt es jedoch einen ganzen Graubereich von Produkten, die selten verkauft werden, aber dennoch häufig genug, um eine Bestandsoptimierung zu erfordern. Die meisten klassischen Prognosewerkzeuge verhalten sich bei intermittierendem Absatz schlecht. Bei Lokad haben wir uns sehr intensiv mit diesem Nachfragemuster beschäftigt, da viele Unternehmen, wie z.B. E-Commerce, stark auf den Long Tail angewiesen sind, um profitabel zu werden. Doch langsame Beweger können, wenn sie nicht sorgfältig verwaltet werden, sogar mehr Bestand erzeugen als Bestseller. Um mit langsamen Bewegern umzugehen, empfehlen wir die Verwendung von probabilistischen Prognosen.

Wetter, wie wird es behandelt?

In bestimmten Branchen, wie z.B. Lebensmittelgeschäften, ist das Wetter ein sehr wichtiger Nachfragefaktor. Lokad nutzt derzeit keine Wettervorhersagen als Eingabe für unsere Prognosetechnologie. Dieser Punkt ist jedoch Teil unserer mittelfristigen Roadmap. Unser Ziel ist es, nicht nur Wetterdaten zu unterstützen, sondern den Prozess weitgehend zu automatisieren, so dass unsere Kunden nahezu keinen Aufwand betreiben müssen, um von der zusätzlichen Genauigkeit zu profitieren.

Nachfrageartefakte

Verlorene Verkäufe aufgrund von Lagerbestandsausfällen, wie werden sie behandelt?

Verkäufe entsprechen nicht der Nachfrage. Ein Lagerbestandsausfall ist ein Artefakt, das Verkäufe von der ursprünglichen Nachfrage abweichen lässt. Tatsächlich führt ein Lagerbestandsausfall dazu, dass die Verkäufe sinken, während die Nachfrage stabil bleibt. Im Gegensatz zu klassischen Prognosewerkzeugen müssen Sie bei Lokad Ihre historischen Daten nicht verändern oder anpassen, um Verkäufe auszudrücken, die stattgefunden hätten, wenn keine Lagerbestandsausfälle aufgetreten wären. Stattdessen können Ereignisse verwendet werden, um anzuzeigen, wann Lagerbestandsausfälle aufgetreten sind. Informationen über Lagerbestandsausfälle werden verwendet, um alle Muster genauer zu schätzen, die sonst beeinflusst worden wären (Saisonalität, Trend, …). Wenn Lagerbestandsausfälle nicht als solche mit Ereignissen gekennzeichnet sind, filtert Lokad diese Muster als Rauschen heraus. Die Verfolgung von Lagerbestandsausfällen ist schön, aber keine Voraussetzung, um mit Lokad zu beginnen.

Außergewöhnliche Verkäufe, wie werden sie behandelt?

Je nach Branche kann Ihr Unternehmen außergewöhnliche Verkäufe verzeichnen. Da diese Verkäufe nun einmal außergewöhnlich groß sind, lassen sie sich in der Regel mit einem rein statistischen Ansatz leicht erkennen. Daher empfehlen wir, Ihre historischen Daten nicht zu bereinigen, um diese außergewöhnlichen Verkäufe zu entfernen. Erstens ist es wahrscheinlich eine Zeitverschwendung, zweitens können außergewöhnliche Verkäufe selbst wertvolle Informationen enthalten, die bei der Prognose der Nachfrage helfen. Lokad kann jedoch keine einzelnen zukünftigen außergewöhnlichen Verkäufe prognostizieren - die von einem Verhandlungsergebnis abhängen können, zum Beispiel. Wenn ein bekannter außergewöhnlicher Verkauf bevorsteht, empfehlen wir, die Lokad-Prognosen manuell mit der zusätzlichen Information zu überschreiben.

Aggregation, Top-Down oder Bottom-Up?

Einige Unternehmen prognostizieren die Nachfrage auf der Ebene von Gruppen oder Familien und teilen dann diese Prognosen auf, um einzelne Produkte zu erreichen. Dies ist eine Top-Down-Prognosemethode für Produkte. Die gleiche Idee kann auf die Prognose der Häufigkeit angewendet werden: Einige Unternehmen prognostizieren zuerst auf wöchentlicher Ebene und wenden dann Tageskoeffizienten an. In diesem Fall handelt es sich um eine Top-Down-Prognosemethode für die Häufigkeit. Umgekehrt können wöchentliche Prognosen durch Summierung der täglichen Prognosen erstellt werden. Bei Lokad empfehlen wir, Ihre Prognosen so genau wie möglich an Ihre betrieblichen Anforderungen anzupassen: Wenn die Supply Chain wöchentliche Prognosen für jedes Produkt benötigt, fordern Sie wöchentliche Prognosen für jedes Produkt von Lokad an. Die Anforderung von täglichen Prognosen und deren Summierung verbessert nicht Ihre Genauigkeit. Entsprechend der gleichen Idee ist es keine gute Idee, Lokad die Verkaufsprognosen auf der Produktgruppenebene vornehmen zu lassen und dann die Prognosen für jede SKU manuell aufzuteilen, da durch die Aufteilung selbst wahrscheinlich ein signifikanter Prognosefehler eingeführt wird. Intern verlässt sich Lokad auf viele Aggregations-/Disaggregationsalgorithmen, und wir nutzen in der Regel die feinst granulierten verfügbaren Daten. Zum Beispiel nutzen wir tägliche Verkaufsdaten, um monatliche Prognosen zu liefern. Tatsächlich kann ein Monat mit 4 oder 5 Wochenenden kommen, was sich erheblich auf die meisten Einzelhandelsunternehmen auswirkt. Wie üblich müssen Sie sich keine Gedanken über das Aggregationsniveau machen, Lokad erfüllt Ihre Anforderungen.